CN117316293B - 基于神经影像的脑网络结构与功能耦合方法及装置 - Google Patents
基于神经影像的脑网络结构与功能耦合方法及装置 Download PDFInfo
- Publication number
- CN117316293B CN117316293B CN202311617170.XA CN202311617170A CN117316293B CN 117316293 B CN117316293 B CN 117316293B CN 202311617170 A CN202311617170 A CN 202311617170A CN 117316293 B CN117316293 B CN 117316293B
- Authority
- CN
- China
- Prior art keywords
- coupling
- model
- genes
- correlation
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010168 coupling process Methods 0.000 title claims abstract description 103
- 210000004556 brain Anatomy 0.000 title claims abstract description 30
- 230000001537 neural effect Effects 0.000 title claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 88
- 238000005859 coupling reaction Methods 0.000 claims abstract description 88
- 238000004891 communication Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000011161 development Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000019771 cognition Effects 0.000 claims abstract description 13
- 230000001054 cortical effect Effects 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 11
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 238000012098 association analyses Methods 0.000 claims abstract description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 210000004027 cell Anatomy 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 28
- 210000004885 white matter Anatomy 0.000 claims description 28
- 230000018109 developmental process Effects 0.000 claims description 27
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 22
- 230000001149 cognitive effect Effects 0.000 claims description 20
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 210000003710 cerebral cortex Anatomy 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000005295 random walk Methods 0.000 claims description 14
- 239000000835 fiber Substances 0.000 claims description 12
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000023105 myelination Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 210000004884 grey matter Anatomy 0.000 claims description 8
- 230000004886 head movement Effects 0.000 claims description 8
- 238000007917 intracranial administration Methods 0.000 claims description 8
- 210000004248 oligodendroglia Anatomy 0.000 claims description 8
- QPEJHSFTZVMSJH-UHFFFAOYSA-N 3-amino-5-hydroxybenzoic acid Chemical compound NC1=CC(O)=CC(C(O)=O)=C1 QPEJHSFTZVMSJH-UHFFFAOYSA-N 0.000 claims description 7
- 210000001130 astrocyte Anatomy 0.000 claims description 7
- 230000002964 excitative effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000002889 endothelial cell Anatomy 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 210000000274 microglia Anatomy 0.000 claims description 6
- 230000037361 pathway Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000001951 dura mater Anatomy 0.000 claims description 3
- 210000003007 myelin sheath Anatomy 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 101000596041 Homo sapiens Plastin-1 Proteins 0.000 claims description 2
- 102100035181 Plastin-1 Human genes 0.000 claims description 2
- 238000003556 assay Methods 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010201 enrichment analysis Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000926 neurological effect Effects 0.000 claims description 2
- 238000012316 non-parametric ANOVA Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002739 subcortical effect Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 210000002418 meninge Anatomy 0.000 claims 1
- 108700026220 vif Genes Proteins 0.000 claims 1
- 230000007248 cellular mechanism Effects 0.000 abstract description 4
- 230000008303 genetic mechanism Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 210000005257 cortical tissue Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 230000033077 cellular process Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001558 permutation test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000005062 synaptic transmission Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/10—Ontologies; Annotations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Nonlinear Science (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开基于神经影像的脑网络结构与功能耦合方法及装置，通过影像采集、数据预处理、构建多模态连接组、构建通讯模型、构建SC‑FC耦合模型、进行皮层基本属性关联、认知预测、转录组关联分析、细胞特异性分析、可重复性分析，研究SC‑FC耦合并表征其发育模式，确定SC‑FC耦合是否可以在发育过程中编码个体认知变异，获取SC‑FC耦合发育的遗传和细胞机制，进行研究结果的敏感性和可重复性分析。
Description
技术领域
本发明涉及医学图像处理和机器学习应用的技术领域，尤其涉及一种基于神经影像的脑网络结构与功能耦合方法，以及基于神经影像的脑网络结构与功能耦合装置。
背景技术
在神经环路中，局部（皮层内）微环路由远距离（皮层外）互联形成并限制了跨皮层神经活动的大规模功能组织。结构连接组（Structural connectome，SC）与功能连接组（Functional connectome，FC）的耦合（简称SC-FC耦合）在不同的皮质区域差异很大，遵循解剖和功能分层，同时反映个体认知差异, 并受到基因调控。然而，在发育群体中SC-FC耦合的研究仍然不足，SC-FC耦合的发育改变及其对认知差异的编码以及潜在的空间转录组机制在很大程度上仍然未知。
大脑的网络建模能够在系统层面上表征复杂的信息交互，并为大脑皮层中的结构和功能关联提供天然的坐标对应。借助dMRI和纤维重建技术，可以在个体内无创构建白质连接组（White Matter Connectome，WMC），它描绘了皮层外区域之间的兴奋性投射结构。T1/T2加权比率（T1w/T2w）MRI已被提出作为量化微观结构剖面协方差（MicrostructureProfile Covariance，MPC）的一种手段，反映皮层内微环路在分子、细胞和层流分化中的结构。rsfMRI可用于构建功能连接组（Functional Connectome，FC），用以捕获神经活动的同步。各种统计模型、通信模型和生物物理模型已经被提出研究结构连接组（StructuralConnectome，SC）和FC之间的耦合。其中，通信模型不仅描述了间接的信息交互，而且在可接受的计算复杂性范围内考虑了生物动力学信息。然而，大多数研究基于WMC衍生的皮层外通信模型结构作为SC来预测FC，而忽略了皮层内微环路MPC。
成人群体的研究表明，SC-FC耦合在感觉皮层区域最高，在关联皮层区域最低，遵循皮层组织的广义功能和细胞结构分层。这种组织可能是由于结构限制而形成的，其中髓鞘化程度较低和WM连通性较弱的皮质区域往往具有更动态和复杂的功能连通性。大规模的关联网络在进化过程中脱离了存在于低阶感觉网络中的僵化的发展规划，促进了区域和个体行为的专业化。在SC-FC耦合的发育改变方面，一项基于统计模型的研究发现多数脑区出现了与年龄相关的正向改变，而少数脑区出现了负向改变。此外，有证据表明，SC-FC耦合与健康儿童、成人和患者群体的认知功能有关，表明其可能是编码个体认知差异的关键大脑指标。然而，需要更全面的研究来了解发育群体中SC-FC耦合的精确模式及其编码个体认知的能力。
皮层的SC-FC耦合是高度可遗传的，并与遗传连接谱相关, 这表明耦合的发展可能受到遗传调控。AHBA图谱为鉴定与脑成像表型共变的基因以及通过富集分析探索潜在的功能途径和细胞过程提供了宝贵的资源。例如，一项髓鞘化结构研究表明，中深层髓鞘厚度的增加与少突胶质细胞的基因表达标记物特异性相关。另一项功能研究发现，参与钙离子调控胞外分泌和突触传递的基因的表达水平与功能梯度的发育有关。然而，SC-FC耦合发展潜在的转录组结构在很大程度上仍然未知。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于神经影像的脑网络结构与功能耦合方法，其能够表征SC-FC耦合的发育模式，确定SC-FC耦合是否可以在发育过程中编码个体认知变异，获取SC-FC耦合发育的遗传和细胞机制，进行研究结果的敏感性和可重复性分析。
本发明的技术方案是：这种基于神经影像的脑网络结构与功能耦合方法，其包括以下步骤：
（1）影像采集，通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
（2）数据预处理，所有的数据均采用最小化的预处理；
（3）构建多模态连接组，包括：量化微观结构剖面协方差MPC、白质结构网络、灰质功能网络；
（4）基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
（5）基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
（6）将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
（7）基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归掉协变量，包括性别、颅内容积和扫描仪内头部运动；
（8）对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
（9）为了研究所选基因的细胞类型特异性表达，基于5项利用人类出生后皮层进行单细胞研究将基因分配到58种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
（10）为了评估研究结果的可泛化性，采用一种分半交叉验证策略，将整个数据集WD随机划分为两个独立的子数据集S1和S2，这个过程重复1000次，以尽量减少由于数据分区造成的偏差；然后，使用相同的方法量化S1和S2中SC-FC耦合、SC-FC耦合的年龄相关性和基因权重；最后计算Pearson相关系数，分别评价S1与WD、S2与WD、S1与S2结果的一致性。为了验证结果对确定性追踪策略的敏感性，使用Camino工具箱基于球棍模型重建纤维，并使用BNA图谱生成FN加权网络；然后，计算WMC的可通用性、随机游走的平均首次通过时间和流图的通信特性；采用同样的流程执行SC-FC耦合、认知预测和基因分析；计算Pearson相关系数评估确定性追踪和概率性追踪结果的一致性，并通过1000次重复的自旋试验对空间自相关进行显著性校正。
本发明通过影像采集、数据预处理、构建多模态连接组、构建通讯模型、构建SC-FC耦合模型、进行皮层基本属性关联、认知预测、转录组关联分析、细胞特异性分析、可重复性分析，研究SC-FC耦合并表征其发育模式，确定SC-FC耦合是否可以在发育过程中编码个体认知变异，获取SC-FC耦合发育的遗传和细胞机制，进行研究结果的敏感性和可重复性分析。
还提供了基于神经影像的脑网络结构与功能耦合装置，其包括：
影像采集模块，其配置来通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
数据预处理模块，其配置来将所有的数据均采用最小化的预处理；
多模态连接组构建模块，包括：量化微观结构剖面协方差MPC、白质结构网络、灰质功能网络；
通讯模型构建模块，其配置来基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
SC-FC耦合模型构建模块，其配置来基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
皮层基本属性关联模块，其配置来将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
认知预测模块，其配置来基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归掉协变量，包括性别、颅内容积和扫描仪内头部运动；
转录组关联分析模块，其配置来对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
细胞特异性分析模块，为了研究所选基因的细胞类型特异性表达，基于5项利用人类出生后皮层进行单细胞研究将基因分配到58种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
可重复性分析模块，为了评估研究结果的可泛化性，采用一种分半交叉验证策略，将整个数据集WD随机划分为两个独立的子数据集S1和S2，这个过程重复1000次，以尽量减少由于数据分区造成的偏差；然后，使用相同的方法量化S1和S2中SC-FC耦合、SC-FC耦合的年龄相关性和基因权重；最后计算Pearson相关系数，分别评价S1与WD、S2与WD、S1与S2结果的一致性。为了验证结果对确定性追踪策略的敏感性，使用Camino工具箱基于球棍模型重建纤维，并使用BNA图谱生成FN加权网络；然后，计算WMC的可通用性、随机游走的平均首次通过时间和流图的通信特性；采用同样的流程执行SC-FC耦合、认知预测和基因分析；计算Pearson相关系数评估确定性追踪和概率性追踪结果的一致性，并通过1000次重复的自旋试验对空间自相关进行显著性校正。
附图说明
图1是根据本发明的基于神经影像的脑网络结构与功能耦合方法的流程图。
具体实施方式
皮层内微环路通过皮层外白质连接相互连接，从而产生丰富模式的功能网络。尽管已有很多研究，但SC和FC之间的关系仍然是一个悬而未决的问题。许多研究试图将FC与WMC直接联系起来，但由于存在多突触（间接）结构连接和神经信号的电路水平调控，这种对应关系远非完美。生物模型可以真实地生成这些复杂的结构互连，但它们需要更多的时间和空间复杂度来求解模型参数。WMC转换的通信模型整合了不同通信策略的优点且易于计算。考虑到通信模型众多，基于预测显著性确定了一个由三个不同的通信模型组成的最佳组合，即通信性、随机游走的平均首次通过时间和流图。研究中排除了中心化模型（最短路径），中心化模型被认为在生物学上是不合理的，因为它需要最短路径结构的全局知识。由于需要抑制空间自相关性，本研究同时排除了欧式距离和测地线距离。除了WMC在塑造FC中的作用外，本研究还提供了一个互补的视角，强调了皮层内环路在形成人类皮层大规模功能组织中的重要性。MPC的使用提供了一种从图理论角度联系特定皮质深度的皮层内环路变异的方法，从而能够反映皮层内微环路在分子、细胞和层流分化方面的分化。
如图1所示，这种基于神经影像的脑网络结构与功能耦合方法，其包括以下步骤：
（1）影像采集，通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
（2）数据预处理，所有的数据均采用最小化的预处理；
（3）构建多模态连接组，包括：量化微观结构剖面协方差MPC、白质结构网络、灰质功能网络；
（4）基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
（5）基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
（6）将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
（7）基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归掉协变量，包括性别、颅内容积和扫描仪内头部运动；
（8）对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
（9）为了研究所选基因的细胞类型特异性表达，基于5项利用人类出生后皮层进行单细胞研究将基因分配到58种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
（10）为了评估研究结果的可泛化性，采用一种分半交叉验证策略，将整个数据集WD随机划分为两个独立的子数据集S1和S2，这个过程重复1000次，以尽量减少由于数据分区造成的偏差；然后，使用相同的方法量化S1和S2中SC-FC耦合、SC-FC耦合的年龄相关性和基因权重；最后计算Pearson相关系数，分别评价S1与WD、S2与WD、S1与S2结果的一致性。为了验证结果对确定性追踪策略的敏感性，使用Camino工具箱基于球棍模型重建纤维，并使用BNA图谱生成FN加权网络；然后，计算WMC的可通用性、随机游走的平均首次通过时间和流图的通信特性；采用同样的流程执行SC-FC耦合、认知预测和基因分析；计算Pearson相关系数评估确定性追踪和概率性追踪结果的一致性，并通过1000次重复的自旋试验对空间自相关进行显著性校正。
本发明通过影像采集、数据预处理、构建多模态连接组、构建通讯模型、构建SC-FC耦合模型、进行皮层基本属性关联、认知预测、转录组关联分析、细胞特异性分析、可重复性分析，研究SC-FC耦合并表征其发育模式，确定SC-FC耦合是否可以在发育过程中编码个体认知变异，获取SC-FC耦合发育的遗传和细胞机制，进行研究结果的敏感性和可重复性分析。
优选地，所述步骤（1）中，由西门子Prisma 3T扫描仪扫描，包括3D T1 MRI：TR =2500 ms，TE = 1.8/3.6/5.4/7.2 ms，TI = 1000 ms，翻转角度= 8°，FOV = 256×240 mm2，166个矢状层，等向体素大小为0.8 mm；T2 MRI：TR/TE = 3200/564 ms，turbo factor=314，FOV = 256×240 mm2，166个矢状层，等向体素大小为0.8 mm；dMRI：TR = 3230 ms，TE =89.20ms，翻转角度 = 78°，等向体素大小为1.5 mm，b值 = 1500/3000 s/mm2，185梯度方向，28幅b = 5 s/mm2图像；rs-fMRI：TR = 800 ms，TE = 37 ms，翻转角度 = 52°，等向体素大小为2 mm。
优选地，所述步骤（2）中，结构MRI经过梯度畸变校正、T1w和T2w图像对齐、偏置场校正、将本地空间配准到蒙特利尔神经学研究所空间、白质和脑膜表面重建、结构分割、表面配准并下采样到32k_fs_LR网格；为每个参与者生成对皮层内髓鞘敏感的T1w/T2w比值图像；fMRI预处理包括：空间畸变校正、运动校正、EPI畸变校正、个体空间配准到MNI空间、强度归一化、将体积时间序列映射到32k_fs_LR网格，以及使用2 mm平均表面顶点进行平滑；dMRI预处理：包括平均图像的强度归一化、EPI失真、涡流、运动校正、梯度非线性校正、线性配准到T1w空间。
优选地，所述步骤（3）中，构建MPC包括：使用等体积模型在白质到硬膜间重建14个皮层表面，利用T1w/T2w MRI对这些表面的皮层内髓鞘化强度进行采样，根据BNA图谱标签将各顶点的强度分布图聚合到皮质区域，控制掉平均强度计算脑区剖面强度之间的两两相关，在去除负相关后，使用Fisher’s r-to-z变换来生成个体MPC；构建白质结构网络包括：使用FSL的FDT工具箱中的bedpostx命令行估计的球棍模型估计纤维方向，通过对预处理步骤进行逆变换，将BNA图谱应用于个体体积空间，利用FDT工具箱对每个体素采样5000根纤维、距离校正、除以起始区域的总纤维数和平均双向概率来估计两个区域之间的连通性概率，实现概率追踪，移除皮质下区域的连接，基于一致性的阈值方法去除虚假连接，并在受试者之间保持一致的重建；构建灰质功能网络包括：进行帧滤波、干扰回归和时间带通滤波，识别出头动大于0.15的审查帧，在每个审查帧之前标记一帧，在每个审查帧之后标记两帧，以及少于五个连续帧的任何未审查片段，作为最终审查帧，丢弃超过一半被标记为审查帧的fMRI run，并排除少于300帧的参与者，对剩余帧进行滤波、干扰回归和时间带通滤波，将这些顶点的时间序列平均为210个皮质区域，计算区域时间序列之间的成对Pearson相关性，最后利用Fisher’s r-to-z转换以生成单个功能网络。
优选地，所述步骤（4）中，利用加权概率网络得到多个通信模型，包括：最短路径长度、通信性、余弦相似度、搜索信息、路径传递性、匹配索引、贪婪导航、随机游走平均首次通过次数和流图。
最短路径长度（Shortest Path length）。网络的连接可以与成本相关联，其中连接强度越高，成本越低。假设起始节点和目标节点/>，两节点间的路径序列为： 。采用一种转换策略/>，其中，γ={0.12，0.25，0.5，1，2，4}，得到/>，最短路径长度/>被计算为最小的/>。
通讯性（Communicability）。通讯性是所有连接游走的加权和。加权连接矩阵A标准化化为A’=D1/2AD-1/2，其中，是度对角矩阵，通讯性指数化为G=eA’ 。
余弦相似性（Cosine Similarity）。余弦相似性测量两个节点连接模式之间的角度，计算为，其中，ns=[ns1,ns2,…,nsm],nt=[nt1,nt2,…,ntm]，/>是向量范数，m是脑区数量。
搜索信息（Search Information）。搜索信息量化在网络中穿越最短路径所需的信息量（以比特为单位）。如果节点s和t之间的最短路径序列为，那么选择这条路径的概率是/>，其中，/>。那么选择这条路径所需的信息是/>。
匹配指数（Matching Index）。匹配指数度量基于连接模式的节点对之间的重叠（不包括它们的相互连接），计算为，其中，如果psi>0则θ(psi)=1，否则为0。
路径传递性（Path Transitivity）。路径传递性测量包含连接源节点到目标节点的路径的一组节点，捕获路径的传递性，或者是路径上可用的局部弯路的密度，计算为。
贪婪导航（Greedy Navigation）。贪婪导航定义为导航过程所发现的完整路径中的跳数。对于某些节点对，导航过程会有确实连接或陷入死循环，在这种情况下，跳数列出为∞。
随机游走的平均首次通过时间（Mean First Passage Times of RandomWalkers）。随机游走的平均首次通过时间指随机游走从节点开始到节点/>结束所必须进化的预期步数。
流图（Flow Graphs）。流图是网络连接矩阵A变换为一个全连接矩阵，在这个全权矩阵中，马尔可夫过程的动态性被嵌入到连接中。对于一个在节点i中动态性为的连续时间随机游走过程，相应的流图为/>，其中，L=D-A/s是标准化拉普拉斯矩阵，/>是节点度，D是度对角矩阵。/>表示节点i和节点j之间随机游走的概率流。
优选地，所述步骤（5）中，使用所有通信模型来预测每个参与者的FC，较高/低的模型预测值表明与FC有较高的正/负相关；通过将观察到的模型比例与通过1000种自旋置换检验获得的模型比例进行比较评估其预测权重的显著性，确定跨大脑区域的最佳通信模型；使用Kruskalwallis非参数方差分析来比较系统之间的耦合差异，为了研究各种结构预测因子的偏好，应用Kruskalwallis方差分析来检验预测权重，找出不同区域的最优预测因子，使用FDR校正对多重比较进行校正；使用一般线性模型来拟合SC-FC耦合的年龄相关发展模式，同时控制性别，颅内容量和扫描仪内头部运动，根据1000次自旋检验计算耦合改变的系统特异性的显著性。
优选地，所述步骤（7）中，为了评估模型在每个认知测量上是否优于随机水平，通过随机置换被试的行为测量进行1000次置换检验后，使用相同的流程生成预测性能的零模型；使用校正的重复采样t检验来确定统计显著性，FDR用于多重比较校正；为了模型的可解释性，通过将每个系统的权重与重复1000次的旋转检验产生的脑区预测权重进行比较，评估每个系统的权重的重要性。
优选地，所述步骤（8）中，使用FreeSurfer为每个个体生成预处理的结构数据，并使用官方脚本（https://github.com/Washington-University/HCPpipelines）将BNA模板投射到个体空间；生成覆盖105个左皮质区域的10027个基因的平均基因表达谱。
优选地，所述步骤（8）中，采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联，将105个左皮质区SC-FC耦合的年龄相关绝对值作为预测变量，并将相应区域的基因表达谱作为预测变量；计算Pearson相关系数以确定PLS评分与耦合变化之间的关联；为了校正空间自相关，将经验观察值与10000个自旋置换产生的空间约束零模型进行比较；将PLS1中的基因权重除以bootstrapping估计的相应权重的标准差，将其转化为z-score值，并相应地对所有基因进行排序；根据检验阈值p < 0.05识别显著相关的基因并将其分为正相关或负相关基因表；为了解这些基因的功能意义，分别基于正/负基因表使用Metascape对GO生物过程途径进行基因功能富集分析，并根据FDR<0.05保留富集通路。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于神经影像的脑网络结构与功能耦合装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
影像采集模块，其配置来通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
数据预处理模块，其配置来将所有的数据均采用最小化的预处理；
多模态连接组构建模块，包括：量化微观结构剖面协方差MPC、白质结构网络、灰质功能网络；
通讯模型构建模块，其配置来基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
SC-FC耦合模型构建模块，其配置来基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
皮层基本属性关联模块，其配置来将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
认知预测模块，其配置来基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归掉协变量，包括性别、颅内容积和扫描仪内头部运动；
转录组关联分析模块，其配置来对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
细胞特异性分析模块，为了研究所选基因的细胞类型特异性表达，基于5项利用人类出生后皮层进行单细胞研究将基因分配到58种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
可重复性分析模块，为了评估研究结果的可泛化性，采用一种分半交叉验证策略，将整个数据集WD随机划分为两个独立的子数据集S1和S2，这个过程重复1000次，以尽量减少由于数据分区造成的偏差；然后，使用相同的方法量化S1和S2中SC-FC耦合、SC-FC耦合的年龄相关性和基因权重；最后计算Pearson相关系数，分别评价S1与WD、S2与WD、S1与S2结果的一致性。为了验证结果对确定性追踪策略的敏感性，使用Camino工具箱基于球棍模型重建纤维，并使用BNA图谱生成FN加权网络；然后，计算WMC的可通用性、随机游走的平均首次通过时间和流图的通信特性；采用同样的流程执行SC-FC耦合、认知预测和基因分析；计算Pearson相关系数评估确定性追踪和概率性追踪结果的一致性，并通过1000次重复的自旋试验对空间自相关进行显著性校正。
本研究基于HCP-D数据集，结合皮层内SC和皮层外SC，对青年时期皮质区SC-FC耦合进行了表征。从结果中观察到SC-FC耦合在视觉和感觉运动网络中比其它网络最强，并且遵循皮层组织的基本特性。随着年龄的增长，SC-FC耦合在皮质区域表现出异质性变化，其中感觉运动网络、额顶叶网络、背侧注意网络和默认网络显著增加。此外，发现SC-FC耦合主要依靠额顶叶网络和默认网络来预测总体认知的个体方差。最后，本研究证明SC-FC耦合的异质性发展与转录组结构相关，正相关基因富集于少突胶质细胞相关通路，负相关基因表达于星形胶质细胞。总之，本研究描述了发育过程中SC-FC耦合的模式，并考察了其异质发育是否与认知变异和转录组结构有关。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (8)
1.基于神经影像的脑网络结构与功能耦合方法，其特征在于：其包括以下步骤：
（1）影像采集，通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
（2）数据预处理，所有的数据均采用最小化的预处理；
（3）构建多模态连接组，包括：量化微观结构剖面协方差网络MPC、白质结构网络、灰质功能网络；
（4）基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
（5）基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
（6）将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
（7）基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归去掉协变量，协变量包括性别、颅内容积和扫描仪内头部运动；
（8）对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
（9）为了研究所选基因的细胞类型特异性表达，将基因分配到多种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
所述步骤（3）中，构建量化微观结构剖面协方差网络MPC包括：使用等体积模型在白质到硬膜间重建14个皮层表面，利用T1w/T2w MRI对这些表面的皮层内髓鞘化强度进行采样，根据BNA图谱标签将各顶点的强度分布图聚合到皮质区域，控制去掉平均强度，计算脑区剖面强度之间的两两相关，在去除负相关后，使用Fisher’s r-to-z变换来生成个体MPC；
所述步骤（4）中，利用加权概率网络得到多个通讯模型，包括：最短路径长度、通信性、余弦相似度、搜索信息、路径传递性、匹配索引、贪婪导航、随机游走平均首次通过次数和流图。
2.根据权利要求1所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（1）中，由西门子Prisma 3T扫描仪扫描，包括3D T1 MRI：TR = 2500 ms，TE = 1.8/3.6/5.4/7.2 ms，TI = 1000 ms，翻转角度= 8°，FOV = 256×240 mm2，166个矢状层，等向体素大小为0.8 mm；T2 MRI：TR/TE = 3200/564 ms，turbo factor=314，FOV = 256×240mm2，166个矢状层，等向体素大小为0.8 mm；dMRI：TR = 3230 ms，TE = 89.20ms，翻转角度= 78°，等向体素大小为1.5 mm，b值 = 1500/3000 s/mm2，185梯度方向，28幅b = 5 s/mm2图像；rs-fMRI：TR = 800 ms，TE = 37 ms，翻转角度 = 52°，等向体素大小为2 mm。
3.根据权利要求2所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（2）中，结构MRI经过梯度畸变校正、T1w和T2w图像对齐、偏置场校正、将本地空间配准到蒙特利尔神经学研究所空间、白质和脑膜表面重建、结构分割、表面配准并下采样到32k_fs_LR网格；为每个参与者生成对皮层内髓鞘敏感的T1w/T2w比值图像；fMRI预处理包括：空间畸变校正、运动校正、EPI畸变校正、个体空间配准到MNI空间、强度归一化、将体积时间序列映射到32k_fs_LR网格，以及使用2 mm平均表面顶点进行平滑；dMRI预处理：包括平均图像的强度归一化、EPI失真、涡流、运动校正、梯度非线性校正、线性配准到T1w空间。
4.根据权利要求3所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（3）中，构建白质结构网络包括：使用FSL的FDT工具箱中的bedpostx命令行估计的球棍模型估计纤维方向，通过对预处理步骤进行逆变换，将BNA图谱应用于个体体积空间，利用FDT工具箱对每个体素采样5000根纤维、距离校正、距离除以起始区域的总纤维数和平均双向概率来估计两个区域之间的连通性概率，实现概率追踪，移除皮质下区域的连接，基于一致性的阈值方法去除虚假连接；构建灰质功能网络包括：进行帧滤波、干扰回归和时间带通滤波，识别出头动大于0.15的审查帧，在每个审查帧之前标记一帧，在每个审查帧之后标记两帧，以及将少于五个连续帧的任何未审查片段，作为最终审查帧，丢弃超过一半被标记为审查帧的fMRI run，并排除少于300帧的参与者，对剩余帧进行滤波、干扰回归和时间带通滤波，将这些顶点的时间序列平均为210个皮质区域，计算区域时间序列之间的成对Pearson相关性，最后利用Fisher’s r-to-z转换以生成单个功能网络。
5.根据权利要求4所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（5）中，使用所有通信模型来预测每个参与者的FC，较高或者较低的模型预测值表明与FC有较高的正或负相关；通过将观察到的模型比例与通过1000种自旋置换检验获得的模型比例进行比较评估其预测权重的显著性，确定跨大脑区域的最佳通信模型；使用Kruskalwallis非参数方差分析来比较系统之间的耦合差异，为了研究各种结构预测因子的偏好，应用Kruskalwallis方差分析来检验预测权重，找出不同区域的最优预测因子，使用FDR校正对多重比较进行校正；使用线性模型来拟合SC-FC耦合的年龄相关发展模式，同时控制性别、颅内容量和扫描仪内头部运动，根据1000次自旋检验计算耦合改变的系统特异性的显著性。
6.根据权利要求5所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（8）中，使用FreeSurfer为每个个体生成预处理的结构数据，并将BNA模板投射到个体空间；生成覆盖105个左皮质区域的10027个基因的平均基因表达谱。
7.根据权利要求6所述的基于神经影像的脑网络结构与功能耦合方法，其特征在于：所述步骤（8）中，采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联，将105个左皮质区SC-FC耦合的年龄相关绝对值作为预测变量，并将相应区域的基因表达谱作为预测变量；计算Pearson相关系数以确定PLS评分与耦合变化之间的关联；为了校正空间自相关，将经验观察值与10000个自旋置换产生的空间约束零模型进行比较；将PLS1中的基因权重除以bootstrapping估计的相应权重的标准差，将其转化为z-score值，并相应地对所有基因进行排序；根据检验阈值p < 0.05识别显著相关的基因并将其分为正相关或负相关基因表；为了解这些基因的功能意义，分别基于正或负基因表使用Metascape对生物过程途径进行基因功能富集分析，并根据FDR<0.05保留富集通路。
8.基于神经影像的脑网络结构与功能耦合装置，其特征在于：其包括：
影像采集模块，其配置来通过扫描仪采集数据包括：T1 MRI、T2 MRI、dMRI、rs-fMRI；
数据预处理模块，其配置来将所有的数据均采用最小化的预处理；
多模态连接组构建模块，包括：量化微观结构剖面协方差MPC、白质结构网络、灰质功能网络；
通讯模型构建模块，其配置来基于白质结构网络，计算不同的通讯模型以刻画白质结构连接的几何、拓扑或动态因素；
SC-FC耦合模型构建模块，其配置来基于多线性模型将单个节点SC连接模式和FC连接模式联系起来；对于给定的节点，预测变量为节点SC，S={s1,s2,…,sn},si∈Rm,其中si是第i个SC的连接模式，n是SC的数量，m是节点数目；节点功能连接模式f是独立变量，f=b0+b1s1+b2s2+…+bisi+…+bnsn，
其中，截距b0和回归系数bi是模型的估计系数，对于每个个体，各个节点的最优拟合度表示SC-FC耦合，量化为调整后的决定系数，
，
其中，R 2是未校正的决定系数，Nc是排除自连接的连接数量，Np是预测变量的数量；
皮层基本属性关联模块，其配置来将SC-FC耦合及其发育模式与进化扩张、髓鞘化程度和功能主梯度，使用Spearman相关系数来量化相关程度，并通过重复1000次自旋检验对空间自相关进行显著性校正；
认知预测模块，其配置来基于5折nested CV的Elastic-Net算法获得节点的SC-FC耦合对多维认知测量任务的预测效力，在认知测量中回归去掉协变量，协变量包括性别、颅内容积和扫描仪内头部运动；
转录组关联分析模块，其配置来对AHBA图谱数据的解剖和基因组信息进行预处理；采用PLS分析来挖掘SC-FC耦合的空间发展模式与基因表达谱之间的线性关联；
细胞特异性分析模块，为了研究所选基因的细胞类型特异性表达，将基因分配到多种细胞类型，为了避免在细胞类型分配上的潜在偏差，将这些细胞类型整合为7个正常类别：星形胶质细胞、内皮细胞、兴奋性神经元、抑制性神经元、小胶质细胞、少突胶质细胞和OPCs，通过对每种细胞类型中的基因进行10000次随机抽样，生成一个零模型；然后，针对这个零模型检验结果的显著性，同时对每个富集项中涉及的基因进行相同的分析；
可重复性分析模块，为了评估研究结果的可泛化性，采用一种分半交叉验证策略，将整个数据集WD随机划分为两个独立的子数据集S1和S2，这个过程重复1000次，以尽量减少由于数据分区造成的偏差；然后，使用相同的方法量化S1和S2中SC-FC耦合、SC-FC耦合的年龄相关性和基因权重；最后计算Pearson相关系数，分别评价S1与WD、S2与WD、S1与S2结果的一致性；为了验证结果对确定性追踪策略的敏感性，使用Camino工具箱基于球棍模型重建纤维，并使用BNA图谱生成FN加权网络；然后，计算WMC的可通用性、随机游走的平均首次通过时间和流图的通信特性；采用同样的流程执行SC-FC耦合、认知预测和基因分析；计算Pearson相关系数评估确定性追踪和概率性追踪结果的一致性，并通过1000次重复的自旋试验对空间自相关进行显著性校正；
所述通讯模型构建模块中，构建量化微观结构剖面协方差网络MPC包括：使用等体积模型在白质到硬膜间重建14个皮层表面，利用T1w/T2w MRI对这些表面的皮层内髓鞘化强度进行采样，根据BNA图谱标签将各顶点的强度分布图聚合到皮质区域，控制去掉平均强度，计算脑区剖面强度之间的两两相关，在去除负相关后，使用Fisher’s r-to-z变换来生成个体MPC；
所述SC-FC耦合模型构建模块中，利用加权概率网络得到多个通讯模型，包括：最短路径长度、通信性、余弦相似度、搜索信息、路径传递性、匹配索引、贪婪导航、随机游走平均首次通过次数和流图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311617170.XA CN117316293B (zh) | 2023-11-30 | 2023-11-30 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311617170.XA CN117316293B (zh) | 2023-11-30 | 2023-11-30 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117316293A CN117316293A (zh) | 2023-12-29 |
| CN117316293B true CN117316293B (zh) | 2024-04-19 |
Family
ID=89287013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311617170.XA Active CN117316293B (zh) | 2023-11-30 | 2023-11-30 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117316293B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117690537B (zh) * | 2024-02-04 | 2024-06-18 | 中日友好医院(中日友好临床医学研究所) | Qsm与脑萎缩、脑连接组关联的跨模态方法及装置 |
| CN117788465B (zh) * | 2024-02-26 | 2024-05-28 | 中日友好医院(中日友好临床医学研究所) | 局部脑血流图与转录、细胞特征关联的方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1188149A (zh) * | 1996-11-29 | 1998-07-22 | 赫彻斯特股份公司 | 核酸的细胞特异性转移所用的多功能配体系统 |
| CA2584297A1 (en) * | 2004-10-29 | 2006-05-11 | Genentech, Inc. | Disruptions of genes encoding secreted proteins, compositions and methods relating thereto |
| WO2008036437A2 (en) * | 2006-04-19 | 2008-03-27 | Genentech, Inc. | Novel gene disruptions, compositions and methods relating thereto |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| CN111631714A (zh) * | 2020-06-16 | 2020-09-08 | 电子科技大学 | 基于fMRI的血管基础-脑连接与认知行为的模型构建方法 |
| CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| RU2021111027A (ru) * | 2021-04-20 | 2022-10-24 | Игорь Леонидович Смирнов | Ювелирно-генетический эталон in-silico-666-арно-Гольдбах-Парагогенгейм-модели простых чисел и корреляции биометрических параметров в регуляции и восстановлении нейро-протеинового метаболизма с по-протонно-электронно-тождественным восполнением в шунгит-Pt-редкоземельном хелатизировании кодонно-энантио-тропомерных и метионин-ацетилхолин-адреналин-мелатонин-инсулин-интерферон-вакцинальных комплексов в модулях дегенеративно-пролиферативных тканевых процессов при антропо-онко-корона-вирусно-геномных взаимодействиях (варианты) |
| CN115310682A (zh) * | 2022-07-25 | 2022-11-08 | 武汉理工大学 | 复杂水域船舶交通划分方法、装置、设备和介质 |
| CN116630331A (zh) * | 2023-07-26 | 2023-08-22 | 中日友好医院(中日友好临床医学研究所) | 静息态功能脑网络的图像处理方法及装置 |
| CN117095824A (zh) * | 2023-10-19 | 2023-11-21 | 之江实验室 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
| CN117116434A (zh) * | 2023-10-25 | 2023-11-24 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
-
2023
- 2023-11-30 CN CN202311617170.XA patent/CN117316293B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1188149A (zh) * | 1996-11-29 | 1998-07-22 | 赫彻斯特股份公司 | 核酸的细胞特异性转移所用的多功能配体系统 |
| CA2584297A1 (en) * | 2004-10-29 | 2006-05-11 | Genentech, Inc. | Disruptions of genes encoding secreted proteins, compositions and methods relating thereto |
| WO2008036437A2 (en) * | 2006-04-19 | 2008-03-27 | Genentech, Inc. | Novel gene disruptions, compositions and methods relating thereto |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| CN111631714A (zh) * | 2020-06-16 | 2020-09-08 | 电子科技大学 | 基于fMRI的血管基础-脑连接与认知行为的模型构建方法 |
| CN112741613A (zh) * | 2021-01-13 | 2021-05-04 | 武汉大学 | 一种静息态人脑默认网络功能与结构耦合分析方法 |
| RU2021111027A (ru) * | 2021-04-20 | 2022-10-24 | Игорь Леонидович Смирнов | Ювелирно-генетический эталон in-silico-666-арно-Гольдбах-Парагогенгейм-модели простых чисел и корреляции биометрических параметров в регуляции и восстановлении нейро-протеинового метаболизма с по-протонно-электронно-тождественным восполнением в шунгит-Pt-редкоземельном хелатизировании кодонно-энантио-тропомерных и метионин-ацетилхолин-адреналин-мелатонин-инсулин-интерферон-вакцинальных комплексов в модулях дегенеративно-пролиферативных тканевых процессов при антропо-онко-корона-вирусно-геномных взаимодействиях (варианты) |
| CN113616184A (zh) * | 2021-06-30 | 2021-11-09 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
| CN115310682A (zh) * | 2022-07-25 | 2022-11-08 | 武汉理工大学 | 复杂水域船舶交通划分方法、装置、设备和介质 |
| CN116630331A (zh) * | 2023-07-26 | 2023-08-22 | 中日友好医院(中日友好临床医学研究所) | 静息态功能脑网络的图像处理方法及装置 |
| CN117095824A (zh) * | 2023-10-19 | 2023-11-21 | 之江实验室 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
| CN117116434A (zh) * | 2023-10-25 | 2023-11-24 | 北京师范大学 | 人脑白质结构连接组的个体差异评估方法、应用及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 人脑连接组研究:脑结构网络和脑功能网络;梁夏;王金辉;贺永;;科学通报(第16期);全文 * |
| 优雅地老去――北京BABRI老年脑健康计划;陈姚静;徐凯;杨财水;李馨;李鹤;张俊英;卫东锋;夏佳楠;陶伍海;卢朋;王君;舒妮;彭丹涛;贾建军;张巍;崔瑞雪;王燕平;关青;罗跃嘉;王芳;王青山;陈克伟;王晓民;赵继宗;王永炎;张占军;;中国科学:生命科学(第07期);全文 * |
| 在具有排斥耦合的神经元网络中有序斑图的熵测量;黄志精;李倩昀;白婧;唐国宁;;物理学报(第11期);全文 * |
| 耦合时延对介观静息态脑功能网络相位同步的周期性影响规律;段洁;张春会;;航天医学与医学工程(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117316293A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117316293B (zh) | 基于神经影像的脑网络结构与功能耦合方法及装置 | |
| CN113255728B (zh) | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN111967495B (zh) | 一种分类识别模型构建方法 | |
| Itani et al. | Combining anatomical and functional networks for neuropathology identification: A case study on autism spectrum disorder | |
| CN109034360A (zh) | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 | |
| CN114299006A (zh) | 一种联合图对比学习的自适应多通道图卷积网络 | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
| Moody et al. | The connectomes: methods of white matter tractography and contributions of resting state fMRI | |
| Betzel et al. | Multi-policy models of interregional communication in the human connectome | |
| CN114334162A (zh) | 疾病患者智能预后预测方法、装置、存储介质及设备 | |
| KR102639558B1 (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
| Xi et al. | Brain Functional Networks with Dynamic Hypergraph Manifold Regularization for Classification of End-Stage Renal Disease Associated with Mild Cognitive Impairment. | |
| Feng et al. | Spatial and temporal pattern of structure–function coupling of human brain connectome with development | |
| CN117116434B (zh) | 人脑白质结构连接组的个体差异评估方法、应用及装置 | |
| CN117765530A (zh) | 一种多模态脑网络分类方法、系统、电子设备及介质 | |
| Osmanlıoğlu et al. | Connectomic assessment of injury burden and longitudinal structural network alterations in moderate‐to‐severe traumatic brain injury | |
| CN112233805B (zh) | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 | |
| Dadi et al. | Comparing functional connectivity based predictive models across datasets | |
| CN116433964A (zh) | 一种基于多数据中心的多模态脑网络特征分类方法 | |
| CN116312965A (zh) | 一种基于多模态大脑网络的认知功能状态预测方法 | |
| Kim et al. | Graph-aware modeling of brain connectivity networks | |
| CN112836275B (zh) | 一种基于模糊理论的体育场应急疏散标识可读性评价系统及其控制方法 | |
| Fan et al. | BGL-Net: A brain-inspired global-local information fusion network for Alzheimer’s disease based on sMRI | |
| Wang et al. | Predicting brain regions related to Alzheimer's disease based on global feature |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |